逻辑回归鸢尾花分类可视化

逻辑回归是一种常用的分类算法，特别适用于二分类问题。鸢尾花数据集（Iris dataset）是一个经典的机器学习数据集，包含三种不同种类的鸢尾花，每种鸢尾花有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。我们可以使用逻辑回归对鸢尾花数据进行分类，并进行可视化展示。

以下是一个使用Python进行逻辑回归鸢尾花分类并可视化的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2]  # 只使用前两个特征
y = iris.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'准确率: {accuracy:.2f}')

# 可视化决策边界
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 500),
                     np.linspace(y_min, y_max, 500))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

plt.figure(figsize=(10, 6))
plt.contourf(xx, yy, Z, alpha=0.3, cmap=plt.cm.Set1)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Set1, edgecolor='k')
plt.xlabel('花萼长度')
plt.ylabel('花萼宽度')
plt.title('逻辑回归鸢尾花分类')
plt.show()

这个代码示例中，我们首先加载了鸢尾花数据集，并使用前两个特征进行分类。然后，我们分割数据集为训练集和测试集，并创建和训练逻辑回归模型。接着，我们对测试集进行预测，并计算模型的准确率。最后，我们绘制了决策边界和数据集的散点图，以便可视化分类结果。